基于多视角对比学习的源自由域适应
计算机视觉与模式识别
2025-07-08 v1 人工智能
摘要
域适应因标签数据获取成本高而广泛采用，通常在可获取标注源域数据时应用。然而，在实际场景中，隐私 concerns 常常限制对敏感信息的访问，如指纹、银行账户细节和人脸图像。源自由无监督域适应（SFUDA）是一种解决此问题的有前景方法，可在不要求访问标注目标域数据的情况下实现域适应。最近的研究表明，SFUDA 可以有效解决域差异问题；然而，仍面临两个关键挑战：（1）原型样本质量低，（2）伪标签分配不正确。为解决这些挑战，我们提出一种方法，包含三个主要阶段。在第一个阶段，我们引入可靠样本记忆（RSM）模块，通过选择更具代表性的样本来提高原型质量。在第二个阶段，我们采用多视角对比学习（MVCL）方法，通过利用多个数据增强来提高伪标签质量。在最后一个阶段，我们应用噪声标签过滤技术进一步细化伪标签。我们在三个基准数据集上进行实验——VisDA 2017、Office-Home 和 Office-31——结果显示，我们的方法在分类准确率上分别比第二名方法提高约2个百分点和6个百分点，优于13个众所周知的领先方法的平均水平。
引用
@article{arxiv.2507.03321,
title = {Source-Free Domain Adaptation via Multi-view Contrastive Learning},
author = {Amirfarhad Farhadi and Naser Mozayani and Azadeh Zamanifar},
journal= {arXiv preprint arXiv:2507.03321},
year = {2025}
}